機器學(xué)習(xí)怎么學(xué)？當然是系統(tǒng)地學(xué)習(xí)了。沒有時間這么辦呢？利用碎片時間學(xué)習(xí)！很多人一天要花 2 個小時通勤，通勤路上有很多時間看手機。于是我把一些機器學(xué)習(xí)的基礎(chǔ)知識做成了在線的機器學(xué)習(xí)手冊，只需打開微信收藏就能學(xué)習(xí)了！就好像背托福單詞一樣。(作者：黃海廣^[1])

機器學(xué)習(xí)手冊分為三個部分，數(shù)學(xué)基礎(chǔ)、機器學(xué)習(xí)經(jīng)典算法、統(tǒng)計學(xué)習(xí)方法。建議有時間的同學(xué)可以這三個部分按照順序?qū)W習(xí)，時間少的同學(xué)，我建議直接看機器學(xué)習(xí)經(jīng)典算法，遇到問題查一下數(shù)學(xué)基礎(chǔ)，也可以一邊看機器學(xué)習(xí)經(jīng)典算法，一邊看統(tǒng)計學(xué)習(xí)方法，查漏補缺。

機器學(xué)習(xí)手冊

一、數(shù)學(xué)基礎(chǔ)

1.高等數(shù)學(xué)

推薦下我考研和考博時候的數(shù)學(xué)筆記，我把機器學(xué)習(xí)的部分，提煉出來，幾乎涵蓋了所有機器學(xué)習(xí)所需要的高等數(shù)學(xué)公式：我做成了在線閱讀版本。

點擊打開大學(xué)高等數(shù)學(xué)精華

2.概率論

• 首選

  推薦斯坦福大學(xué) CS229 機器學(xué)習(xí)課程的基礎(chǔ)材料的概率論部分，這個由我翻譯，是斯坦福各類人工智能課程的基礎(chǔ)材料，針對機器學(xué)習(xí)進行了優(yōu)化，可以說是經(jīng)典材料。(原始文件下載^[2])

點擊打開 CS229 概率論的翻譯

• 備選

  推薦下我考研和考博時候的數(shù)學(xué)筆記，我把機器學(xué)習(xí)的部分，提煉出來，幾乎涵蓋了所有機器學(xué)習(xí)所需要的線性代數(shù)公式：

點擊打開大學(xué)概率論精華

3.線性代數(shù)

• 首選

  推薦斯坦福大學(xué) CS229 機器學(xué)習(xí)課程的基礎(chǔ)材料的線性代數(shù)部分，這個由我翻譯，是斯坦福各類人工智能課程的基礎(chǔ)材料，針對機器學(xué)習(xí)進行了優(yōu)化，可以說是經(jīng)典材料。（原始文件下載^[3]）

點擊打開 CS229 線性代數(shù)的翻譯

• 備選

  推薦下我考研和考博時候的數(shù)學(xué)筆記，我把機器學(xué)習(xí)的部分，提煉出來，幾乎涵蓋了所有機器學(xué)習(xí)所需要的線性代數(shù)公式：

點擊打開大學(xué)線性代數(shù)精華

Github：

https://github.com/fengdu78/Data-Science-Notes/tree/master/0.math

（數(shù)學(xué)基礎(chǔ)專輯）可以在線閱讀，也可以下載（pdf、word、markdown文件），可以直接在“機器學(xué)習(xí)初學(xué)者”公眾號回復(fù)“math”即可獲取下載地址。

二、機器學(xué)習(xí)經(jīng)典算法

機器學(xué)習(xí)的經(jīng)典算法主要是吳恩達老師的機器學(xué)習(xí)課程^[4]的精選部分，并增加了決策樹部分。如何在最短時間掌握機器學(xué)習(xí)的經(jīng)典算法？我推薦把算法精華部分進行學(xué)習(xí)，這樣學(xué)習(xí)進度會快一點。

（點擊目錄在線閱讀）

第一部分:回歸

第二部分:邏輯回歸

第三部分:支持向量機

第四部分：無監(jiān)督學(xué)習(xí)

第五部分:異常檢測和推薦系統(tǒng)

第六部分：決策樹

• 第一篇：基本樹（包括 ID3、C4.5、CART）

• 第二篇：Random Forest、Adaboost、GBDT

• 第三篇：Xgboost 和 LightGBM

Github：

https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes

三、《統(tǒng)計學(xué)習(xí)方法》

李航老師的《統(tǒng)計學(xué)習(xí)方法》^[5]第一版于 2012 年出版，講述了統(tǒng)計機器學(xué)習(xí)方法，主要是一些常用的監(jiān)督學(xué)習(xí)方法。第一版和第二版前面十二章相同，第二版多了無監(jiān)督學(xué)習(xí)的內(nèi)容（比第一版多了十二章以后的部分），由此本書涵蓋了傳統(tǒng)統(tǒng)計機器學(xué)習(xí)方法的主要內(nèi)容。（點擊目錄在線閱讀）

目錄

第 1 章統(tǒng)計學(xué)習(xí)及監(jiān)督學(xué)習(xí)概論

第 2 章感知機

第 3 章 k 近鄰法

第 4 章樸素貝葉斯法

第 5 章決策樹

第 6 章邏輯斯諦回歸與最大熵模型

第 7 章支持向量機

第 8 章提升方法

第 9 章 EM 算法及其推廣

第 10 章隱馬爾可夫模型

第 11 章條件隨機場

第 12 章監(jiān)督學(xué)習(xí)方法總結(jié)

第13章無監(jiān)督學(xué)習(xí)概論

第14章聚類方法
第15章奇異值分解
第16章主成分分析
第17章潛在語義分析
第18章概率潛在語義分析
第19章馬爾可夫鏈蒙特卡羅法

第20章? 潛在狄利克雷分配

第21章? PageRank算法

第22章? 無監(jiān)督學(xué)習(xí)方法總結(jié)

? ? 附錄A? 梯度下降法

? ? 附錄B? 牛頓法和擬牛頓法

? ? 附錄C? 拉格朗日對偶性

? ? 附錄D? 矩陣的基本子空間

? ? 附錄E? KL散度的定義和狄利克雷分布的性質(zhì)

建議學(xué)習(xí)方法

使用微信收藏本文，學(xué)習(xí)的時候，從本文點擊相關(guān)章節(jié)的鏈接進行學(xué)習(xí)。

文章里也是完整代碼，如果需要下載代碼學(xué)習(xí)，請訪問Github：

https://github.com/fengdu78/lihang-code

總結(jié)

本文將機器學(xué)習(xí)的精華部分做成了手冊，打開微信就能學(xué)習(xí)，適合平時時間少的朋友學(xué)習(xí)機器學(xué)習(xí)，可以在通勤的時候在手機上學(xué)習(xí)，建議收藏本文慢慢學(xué)習(xí)。

參考資料

[1]?黃海廣:?https://github.com/fengdu78
[2]?概率論原始文件下載:?http://cs229.stanford.edu/summer2019/cs229-prob.pdf
[3]?線性代數(shù)原始文件下載:?http://cs229.stanford.edu/summer2019/cs229-linalg.pdf
[4]?機器學(xué)習(xí)課程:?https://www.coursera.org/course/ml
[5]?《統(tǒng)計學(xué)習(xí)方法》:?https://baike.baidu.com/item/統(tǒng)計學(xué)習(xí)方法/10430179

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機器學(xué)習(xí)在線手冊深度學(xué)習(xí)筆記專輯《統(tǒng)計學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯獲取一折本站知識星球優(yōu)惠券，復(fù)制鏈接直接打開：https://t.zsxq.com/662nyZF本站qq群1003271085。加入微信群請掃碼進群（如果是博士或者準備讀博士請說明）：

總結(jié)

以上是生活随笔為你收集整理的机器学习初学者手抄本：数学基础、机器学习经典算法、统计学习方法等的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。